Liquidez en el mercado de futuros argentinos : un...

Liquidez en el mercado de futuros argentinos:

un estudio sobre el rol de los market makers

Marcus, Javier Jonatan

2009

Cita APA: Marcus, J. (2009). Liquidez en el mercado de futuros argentinos: un estudio sobre el rol de los market makers. Buenos Aires : Universidad de Buenos Aires. Facultad de Ciencias Económicas. Escuela de Estudios de Posgrado

Este documento forma parte de la colección de tesis de posgrado de la Biblioteca Central "Alfredo L. Palacios". Su utilización debe ser acompañada por la cita bibliográfica con reconocimiento de la fuente. Fuente: Biblioteca Digital de la Facultad de Ciencias Económicas - Universidad de Buenos Aires

Tesis Posgradp 001502/0170

UNIVERSIDAD DE BUENOS AIRES

FACULTAD DE CIENCIAS ECONÓMICAS

MAESTRÍA EN ECONOMÍA

LIQUIDEZ EN EL MERCADO DE FUTUROS ARGENTINO UN ESTUDIO SOBRE EL ROL DE LOS MARKET MAKERS

TESIS

Directores: Rodolfo Oviedo y José Luis Juncos

Alumno: Javier Jonatan Marcus

2

Deseo expresar mi más sincero y profundo agradecimiento a mis tutores de tesis

Rodolfo Oviedo y José Luis Juncos. A Rodolfo por sus valiosos consejos y minuciosas

revisiones y a José Luis por su inconmensurable ayuda, tanto en la búsqueda de

información como en el procesamiento de datos y por haber contribuido significativamente

a aumentar la coherencia del producto final. Asimismo, agradezco a Valeria Arza, por su

ayuda metodológica como conductora del taller de investigación. Por último, quiero

extender mi agradecimiento a Gastón Sempere por sus inestimables recomendaciones

bibliográficas. Lamentablemente no he hecho todas las modificaciones sugeridas

oportunamente, en cambio he agregado temas sin consultar, por lo que la responsabilidad

última de este trabajo es sólo mía.

3

INDICE

INTRODUCCIÓN .............................................................................................................. 4

I. ANTECEDENTES BIBLIOGRÁFICOS y DESCRIPCIÓN DEL OBJETO DE

ESTUDIO ......................................................................................................................... 6

I.1. LIQUIDEZ: Una introducción al problema .............................................................. 6

I.2. CAMBIO REGULATORIO: El rol de los Market Makers ...................................... 8

II. MARCO TEÓRICO ....................................................................................................... 11

II.1. ESTRUCTURA DEL MERCADO: Una teoría de las instituciones financieras... 11

II.2. METODOLOGÍA .................................................................................................. 15

II.2.1. Determinación de un efecto causal según el origen de los datos ........................ 15

II.3. EL MODELO ........................................................................................................ 18

II.3.1. Metodología de estimación y aplicaciones del Propensity Score ....................... 18

II.3.2. Modelo para cambios en el precio: Probit ordenado .......................................... 20

III. ANÁLISIS NUMÉRICO .............................................................................................. 23

III.1. Nuestra materia prima .......................................................................................... 23

III.1.1. Ultra high frequency data (UHFD).................................................................... 23

III.1.2. La Base de datos ................................................................................................ 24

III.1.3. Características empíricas de los datos transaccionales ...................................... 24

IV. ESPECIFICACIÓN EMPÍRICA .................................................................................. 28

IV.1. De la teoría a la práctica ....................................................................................... 28

IV.1.1. Los días seleccionados para el análisis ............................................................. 28

IV.1.2. Estimación del probit ordenado......................................................................... 29

IV.2. RESULTADOS .................................................................................................... 31

IV.2.1. Probit ordenado ................................................................................................. 31

IV.2.2. Respecto de E(dp) y su signo ............................................................................ 33

IV.2.3. Aplicación del Test t para la diferencia de medias ............................................ 34

CONCLUSIONES............................................................................................................. 36

BIBLIOGRAFÍA............................................................................................................... 37

ANEXO .............................................................................................................................. 40

4

INTRODUCCIÓN

Según Venkataman y Waisburd (2007) un Market Maker difiere de un operador

regular en que el Market Maker tiene la obligación de permanecer en el mercado con un

bid-ask spread máximo y es compensado por hacer eso mientras que un trader regular

provee liquidez pero sólo movido por su búsqueda de ganancias. En el mercado de futuros

de dólar del ROFEX operan Market Makers con el objetivo explicito de aumentar la

liquidez, entendiendo por liquidez la posibilidad de negociar sin provocar significativas

modificaciones en los precios. El objetivo de este trabajo es analizar el problema de la

liquidez del mercado de futuros argentino y determinar la influencia real de la

participación de Market Makers en el mercado de contratos de futuros de Dólar

Para ello analizaremos la dinámica de los cambios de precios del contrato futuro y

sus factores determinantes bajo la metodología de un experimento, utilizando datos de

transacciones para días de negociación anteriores y posteriores a la introducción de los

Market Makers (en adelante MM). La técnica econométrica aplicada es un probit ordenado

con variables a intervalos irregulares de tiempo entre transacciones, y nuestra hipótesis es

que los MM han incrementado la liquidez del mercado.

En principio no se podría hablar estrictamente de introducción de MM porque ya

existían desde el año 2002, en el que comenzaron las operaciones del mercado de futuros

argentino sobre el Dólar BCRA 3500. Sin embargo, a principios de 2005 ROFEX tomó la

decisión de cambiar algunas de las reglas del trabajo de sus proveedores de liquidez y

denominar a los participantes que suscribieran al nuevo convenio como MM, con el

objetivo reconocido de aumentar la liquidez. Las conclusiones de este estudio resultarán

de utilidad para los actuales y futuros MM, las autoridades regulatorias, ROFEX y otros

Mercados latinoamericanos a la hora de analizar las ventajas de instaurar figuras similares,

sus posibles modificaciones y los pasos a seguir en este camino de continua innovación

financiera.

Este trabajo consta de cuatro secciones. La sección l, en su primer apartado,

presenta una revisión bibliográfica del concepto de liquidez en relación a los mercado

financieros, como así también de los diversos métodos aplicados para medir la acción de

5

los MM sobre esta variable. En el segundo apartado se describe el cambio regulatorio

sobre la acción de los MM que motivó esta investigación.

La sección ll contiene un primer apartado donde describimos el marco teórico del

cambio institucional en el sistema financiero que nos permite realizar este trabajo. Allí

también se presenta la metodología a utilizar y la descripción de las implicancias que tiene

este análisis. Asimismo, se realiza una explicación de los modelos utilizados en el tercer

apartado.

En el primer apartado de la sección lll mostramos las características de los datos a

procesar y la literatura que analiza este tipo de particularidades.

Finalmente, en la sección lV realizamos la especificación empírica y mostramos los

resultados en el penúltimo apartado. Por último, se detallan las conclusiones más

importantes obtenidas a partir de las evidencias empíricas halladas a lo largo de todo el

trabajo.

6

I. ANTECEDENTES BIBLIOGRÁFICOS y DESCRIPCIÓN DEL

OBJETO DE ESTUDIO

I.1. LIQUIDEZ: Una introducción al problema

De acuerdo a Andrew Crockett, presidente de JPMorgan Chase International, el

concepto de liquidez es más fácil de percibir que de definir. En términos generales se

identifica a la liquidez de mercado como la capacidad de ajustar riesgos y portafolios con

operaciones de mercado sin sufrir una significativa modificación de los precios

subyacentes. Este fenómeno puede a su vez ser entendido en varias dimensiones:

- “Profundidad” del mercado, o la habilidad de ejecutar grandes transacciones sin

influenciar los precios indebidamente.

- “Amplitud”, o la diferencia entre el precio bid y ask.

- “Inmediatez”, o la velocidad con la que las operaciones pueden ser ejecutadas.

- “Resiliencia”, o la velocidad con la que los precios subyacentes son restaurados

luego de una perturbación.

Por otro lado, la principal función de las instituciones de intermediación financiera

es precisamente proveer liquidez, emitiendo deuda líquida a cambio de mantener otra

menos líquida, al tiempo que utilizan su capital para cubrir el riesgo y proveer aquellos

servicios que justifiquen el costo del capital invertido.

Por último, consideraremos la liquidez de fondeo como la facilidad con la que se

puede obtener valor de los activos, mediante el acceso al crédito o la venta de los mismos.

Luego, podemos establecer una analogía entre el sistema capitalista de instituciones

financieras, liquidez de fondeo y liquidez de mercado, con el sistema circulatorio del

cuerpo humano de corazón, sangre y venas, respectivamente.

De lo anterior se intuye la gran relevancia del tema dentro de la literatura

financiera1 y, en particular, para analizar las causas que Comerton-Forde et al. (2007) y

Brunnermeier y Pedersen (2008) encuentran para que la crisis internacional de los

1 La liquidez de mercado es el foco de los estudios de microestructura financiera: Stoll (1978), Ho y Stoll

(1981, 1983), Kyle (1985), Glosten y Milgrom (1985), Grossman y Miller (1988). Está relacionada a los

límites de arbitraje: DeLong, Shleifer, Summers, y Waldmann (1990), Shleifer y Vishny (1997), Abreu y

Brunnermeier (2002); traders restringidos: Attari, Mello y Ruckes (2005), Bernardo y Welch (2004),

Brunnermeier y Pedersen (2005), Eisfeldt (2004), Morris y Shin (2004), y Weill (2007); riesgos

transaccionales: Vassilis Polimenis (2005); costos económicos: Instefjord (1999); behavioral finance:

Baker y Stein (2002); crecimiento potencial: Levine y Zervos (1998); y estabilidad económica: Warsh

(2007).

7

mercados que nació en EE.UU., con el derrumbe de las hipotecas subprime, tenga efectos

en todo el mundo.

Economides (1994) argumenta que la liquidez juega un rol fundamental en el

funcionamiento de los mercados financieros institucionalizados porque sin la

disponibilidad de contrapartes los mercados serían reemplazados por acuerdos informales

entre partes. La teoría general de valuación de activos establece que si la liquidez es de

relevancia para las preferencias del inversor, entonces deberá ser incluida en el precio del

activo, exigiéndose por ende un más alto rendimiento promedio2, ante más altos costos de

transacción y posibles asimetrías de información.

Tanto para Dapena (2007) como para Fanelli (2005) la liquidez es una condición

necesaria para la profundización financiera del poco desarrollado mercado local. Ambos le

adjudican una gran responsabilidad por esta situación a la falta de un desarrollo

institucional perdurable en el tiempo.

En todos los grandes mercados financieros del mundo hay diferentes clases de

proveedores de liquidez: los agentes regulares que operan por cuenta propia o de terceros,

aquellos que a partir de acuerdos con los mercados realizan operaciones con el solo

objetivo de generar volumen de transacciones, los especialistas de producto, los hacedores

de mercado que constantemente mantienen ofertas de compra y venta sobre un producto, y

muchas otras figuras que se generan a partir de combinaciones de las anteriores. La

existencia de algunas de estas figuras genera importantes costos para los Mercados, puesto

que éstos tienen que dejar de cobrarles tasas de mercado o incluso pagarles comisiones.

Los Mercados toman estos costos porque el descubrimiento de precios sólo es alcanzado

en mercados líquidos.

2 Amihud y Mendelson (1986), Brennan y Subrahmanyam (1996), Brennan, Chordia, y Subrahmanyam

(1998), Datar, Nail y Radcliffe (1998) y Porter (2003).

8

I.2. CAMBIO REGULATORIO: El rol de los Market Makers

En los últimos 20 años, en línea con el surgimiento de los futuros financieros en los

mercados desarrollados se sucedieron una serie de numerosos e infructuosos intentos de

creación de un mercado líquido de futuros financieros en Argentina.

Desde 1991 a 1993, el Mercado de Valores de Buenos Aires S.A. (MERVAL)

había intentado, sin éxito, la negociación a plazo firme del índice Merval y de tasa de

interés. En 1994 lanzó la negociación de futuros y opciones sobre los índices Merval y

Barca y sobre tasa de interés Saibor 30. En 1995, se produce un acuerdo entre el

MERVAL y el Chicago Borde of Tarde (CBOT) para la creación del Mercado

Argentino de Futuros y Opciones (MAFO). La crisis del tequila retrasó su nacimiento y

para 1998 el proyecto aún no había visto la luz.

A fines de la década de 1990 el ROFEX crea la División de Derivados Financieros,

con la cual daría el puntapié, en el año 2001, para la negociación de futuros financieros en

un mercado formal en Argentina, con el listado de futuros sobre bonos globales y sobre

títulos de deuda de corto plazo.

Paralelamente, también en 1999, se crea el Latinamerican Futures Exchange

(LAFEX), una plaza de futuros con base en Uruguay para la negociación de futuros sobre

dólar estadounidense, real, peso chileno y bonos globales 2017, todos con cotización y

liquidación en pesos argentinos. Por diversas razones, el proyecto no prosperó.

A mediados de 2001, y como reacción a un pedido que hiciera el entonces Ministro

de Economía a los bancos para que armen un mercado de futuros, la Bolsa de Comercio de

Buenos Aires anunciaba el establecimiento del Argentine Futures Exchange (ARFEX),

sociedad creada en 1998 y que nunca había sido puesta en funcionamiento.

En el año 2002, la salida de la convertibilidad, con sus consiguientes niveles de

volatilidad asociados, exigió a los actores económicos definir una nueva estrategia para

una mejor administración de riesgos. En el mes de abril, ROFEX obtuvo aprobación de la

Comisión Nacional de Valores para comenzar a negociar futuros y opciones sobre índice

Dólar y para comienzos de mayo ya se operaban las primeras posiciones de futuros de tipo

9

de cambio en el sistema de negociación electrónica de la División de Derivados

Financieros del ROFEX.

Más tarde, en el mismo año, el MERVAL lanzaría la operatoria del Índice Dólar

(INDOL) y, en Noviembre de 2003, del Dólar Mayorista (DOMAY), experiencias que no

lograron un razonable nivel de liquidez de negocios.

En el año 2005, la Bolsa de Comercio de Buenos Aires anuncia el relanzamiento

del MERFOX. El proyecto incluía, además de los futuros ganaderos, la incorporación de

futuros sobre índice MERVAL y otras variables financieras. El mercado nunca se puso en

marcha.

En muchos de estos intentos, el problema fue la inexistencia de la liquidez

necesaria para lanzar un mercado, en otros, la falta de una liquidez posterior que se viera

reflejada en bajos costos de spreads fue inexistente.

Desde la creación la División Derivados Financieros de ROFEX se contó con la

participación de proveedores de liquidez denominados MM. Inicialmente eran personas

físicas que realizaban muchas operaciones en el mercado con el fin de brindar contrapartes

a quienes ingresaran al mercado.

El Mercado ha brindado incentivos para lograr la activa participación de los

proveedores de liquidez a través de distintos formatos. Inicialmente se les otorgaba un

fondo de riesgo para que operen y quien perdía un porcentaje del fondo salía del programa.

Luego se determinó un convenio entre el mercado y cada uno de los MM donde se pagaba

un monto fijo mensual y como contrapartida los MM operaban un número mínimo de

contratos.

A principios de 2005 se observó que el convenio vigente de MM brindaba

incentivos difusos:

Número de contratos: no pagaba más a quien se excediera del

mínimo de contratos negociados requerido

Contratos con distinto vencimiento: no pagaba una prima de riesgo

para quien operara posiciones lejanas al valorar cada contrato de la misma manera,

relegando así la participación en las posiciones más largas.

10

Productos ilíquidos: no había una diferenciación por producto. Al no

diferenciar el pago por el producto operado incentivaba a operar en los productos

ya líquidos en detrimento de los productos ilíquidos y por ende más riesgosos.

Contrapartes que pagan tasa: no se sabía si el pago realizado se

debía a operaciones contra clientes que se servían de la liquidez brindada o de

operaciones realizadas entre MM.

En Marzo de 2005 se puso en marcha un nuevo convenio de market making. Dicho

convenio cambió la forma de remuneración de los MM haciendo que esta se conformase

por dos pagos; uno fijo atado a una tabla de puntos requeridos y otro variable de acuerdo al

número de contratos cuya contraparte no es MM.

El pago fijo se implementó para lograr que los MM operen contratos de posiciones

lejanas y productos ilíquidos; se dio mayor valoración a éstos.

El pago variable se incorporó para incentivar un mayor nivel de operatoria que

brinde liquidez se instrumentó un pago variable para las operaciones cuyas contrapartes no

son MM y por ende pagan tasa, lo que permite al Mercado solventar dicho pago variable.

11

II. MARCO TEÓRICO

II.1. ESTRUCTURA DEL MERCADO: Una teoría de las instituciones financieras “National Corn Growers Association recognizes the valuable role all parties play in providing

liquidity in a market. Many of our growers have witnessed first hand non-liquid markets. I, personally, have

been to a trading session of the Bolsa in Buenos Aires. While it attempts to have the same look and feel of the

Board of Trade, this market lacks liquidity, and hence, really doesn’t provide price discovery”

Garry Niemeyer

Commodity Futures Trading Commission.

Agricultural Markets Roundtable

Abril, 2008 El estudio de la microestructura del mercado es el análisis de varias instituciones y

reglas que gobiernan el proceso de negociación, clearing y liquidación en un mercado

financiero, con el objetivo de llegar a una estructura que maximice la eficiencia de los

resultados de precio, liquidez y volatilidad.

Según Robert C. Merton (1995) existen dos perspectivas de análisis de la

microestructura financiera. La visión tradicional, que toma como fija la estructura

existente y estudia los medios en que las políticas públicas pueden ayudar a mejorar la

eficiencia y rentabilidad de los actores del mercado. Y la visión funcional, que toma como

fijas ciertas funciones económicas e indaga cuáles son las mejores estructuras

institucionales para llevarlas a cabo. Esta última alternativa, en consonancia con el análisis

institucional de Douglas North, descansa sobre dos importantes premisas: (a) las funciones

financieras son más estables en el tiempo y a través de distintos países que sus

correspondientes instituciones, y (b) la competencia obligará a las estructuras

institucionales a evolucionar hacia una mayor eficiencia en el funcionamiento del sistema

financiero.

La función primaria de cualquier sistema financiero consiste en facilitar la

asignación de recursos bajo un contexto de incertidumbre. A partir de allí, a su vez

podemos derivar otras seis funciones:

1. Provisión de un sistema de pagos para el intercambio de bienes y servicios.

2. Provisión de un mecanismo de pooling de fondos para llevar a cabo grandes e

indivisibles emprendimientos.

3. Provisión de una manera de transferir recursos económicos a través del tiempo,

regiones geográficas y sectores de la industria.

4. Provisión de un sistema de manejo de incertidumbre y control de riesgo.

12

5. Provisión de precios que ayuden a tomar decisiones descentralizadas en distintos

sectores de la economía.

6. Provisión de una herramienta para lidiar con problemas de información asimétrica

e incentivos.

Debido a diferencias de tamaño, complejidad y acceso a tecnologías, que dan lugar

a ciertos precios relativos, y características culturales, políticas e históricas, que

determinaran ciertas preferencias, la más eficiente estructura institucional para satisfacer

estas funciones financieras generalmente será distinta entre países y a su vez cambiará a

través del tiempo.

Merton también concluye que los intermediarios financieros son los máximos

responsables funcionales de testear nuevos productos, puesto que son los más capaces de

encontrar un modo de garantizarles a sus clientes el cumplimiento de sus obligaciones

contractuales. La innovación financiera en productos y servicios resulta de este modo el

principal motor para llevar al sistema financiero hacia su objetivo de mayor eficiencia

económica, mediante un aumento de la productividad y completitud del mercado3, y una

reducción de costos de transacción4 y agencia

5.

Sin embargo, al igual que North, Merton identifica que no solo dichas

organizaciones intervienen en el proceso de cambio institucional, sino también el Estado,

como fuerza coercitiva capaz de monitorear los derechos de propiedad y hacer efectivos

los contratos a través de un marco legal que otorgue a las estructuras institucionales una

mayor capacidad de adaptación frente a los nuevos productos y servicios financieros.

Por lo tanto, el esfuerzo de una sociedad que quiere mejorar sus rendimientos

económicos deberá orientarse a reducir la incertidumbre económica, utilizando como

herramienta un más profundo y sofisticado desarrollo institucional.

3 Según Williamson (1989), un contrato completo es aquel que especifica con absoluto detalle todas las

acciones que las partes contratantes deben realizar desde la firma del contrato en adelante, para cualquier

evento futuro posible. Dado que no existen contratos completos, las asignaciones de autoridad (derechos

residuales de decisión) son extremadamente importantes. 4 Según Coase (1937), el costo de medir los atributos físicos y legales intercambiados, y la posterior garantía

de cumplimiento del contrato. En el mismo sentido, podemos preguntarnos ¿Cuántos mercados hay en una

economía competitiva? En un mundo Arow-Debreu sin fricciones hay tantos mercados como productos. De

acuerdo a Economices (1994) la falta de liquidez puede interpretarse como una fricción que se puede medir

como un costo que limita la cantidad de mercados. 5 Según Jensen, M.C.; St Meckling, W.H. (1976), equivalente a un descuento por la incertidumbre que

genera el grado de imperfección en la medición y garantía de los términos de intercambio.

13

Los mercados de derivados contribuyen a desarrollar la infraestructura financiera

de un país creando enlaces entre los distintos mercados locales y externos, coberturistas y

especuladores, haciendo las veces de verdaderos conductos por donde fluyen capitales y

precios (información).

Hoy, los mercados de futuros son las instituciones del sistema financiero que

satisfacen una serie de funciones económicas estrechamente vinculadas con aquellas seis

enunciadas por Merton; a saber:

Transferencia de riesgos entre los actores de la economía.

Descubrimiento de precios a través de la negociación centralizada y transparente

Provisión de liquidez

Estabilización de precios.

Los distintos instrumentos operados en los mercados de derivados ofrecen

diferentes patrones de pago, redistribuyendo y reasignando los riesgos asociados con los

flujos de fondo futuros entre distintos participantes. Los procesos de utilización de estos

instrumentos derivados para reducir o eliminar riesgo se conocen como cobertura o hedge.

A su vez, la negociación en los mercados de futuros da lugar a una de las funciones

más vitales de los mismos: la agregación de información distribuida en una multitud de

visiones individuales y la formación de precios que sintetizan dicha información

atomizada en un único valor, respetado por compradores y vendedores.

Así, la existencia de estos mercados ha posibilitado la absorción de mayores

riesgos por parte de la economía, facilitando de ese modo el crecimiento y la eficiencia en

cada una de las industrias asociadas. Los usuarios, por su parte, han podido reducir sus

niveles de incertidumbre acerca de las condiciones de negocios futuras lo cual permite la

expansión del crédito y con ello el aumento de la producción de mercancías. Al mismo

tiempo, estos efectos podrían derivar en menores tasas de interés y precios pagados por los

consumidores.

En este contexto es que nos preguntamos: ¿Son los MM un instrumento que

tiene ROFEX como institución, para hacer más eficiente su microestructura de

mercado? Y luego tomando a la liquidez como medida cuantitativa de eficiencia de la

microestructura: ¿Ha resultado en una mayor liquidez la introducción de MM?

14

En un mercado líquido los agentes económicos son capaces de comprar y vender

con inmediatez una cantidad ilimitada de contratos futuros, a un precio cercano al precio

observado. Es decir, un mercado perfectamente líquido es aquel en donde los agentes

obtendrían el mismo valor para un contrato:

- independientemente del momento en el que se realizó la transacción

- independientemente de la cantidad que comercializaron

- independientemente de si compraron o vendieron

Consecuentemente, la liquidez será medida respecto a las variables: precio,

volumen y tiempo. De lo anterior se deduce que a mayor iliquidez, más lejos estarán los

precios de negociación de los “precios justos”, definiendo éstos como los precios a los

cuales se pueden liquidar los activos cuando no hay apuro en hacerlo.

Más allá del beneficio de cada empresa, la utilización de mercados líquidos de

parte de operadores es una fuente de beneficios públicos por medio de las externalidades

que éstos generan. Estas externalidades, en general, provienen de las eficiencias

productivas que alcanzan los operadores al utilizar los mercados con el objeto de

intercambiar riqueza en el tiempo, cubrir o distribuir riesgos.

El intercambio de activos menos valiosos de forma inmediata por otros de mayor

valor inmediato (y viceversa) por parte de operadores que desean mover riqueza en el

tiempo genera que ambas partes de la transacción mejoren su posición relativa de riqueza.

La existencia de elevados costos de transacción desalienta este tipo de intercambio.

Donde no existen mercados líquidos, la economía se empobrece, pues no se hace posible

ni la especialización de la producción a bajo costo ni una correcta y eficiente asignación de

los recursos disponibles.

A los beneficios derivados de la especialización se contraponen los costos de una

mayor concentración de riesgos para los productores. Los mercados líquidos de coberturas

benefician a los productores al permitirles, de una forma económica, reducir los riesgos

que enfrentan derivados de su especialización productiva. Cuando esto ocurre, los

productores se especializan en aquellos procesos donde son más eficientes generando

mejoras sustanciales en los costos de producción que repercuten sobre la sociedad toda.

15

II.2. METODOLOGÍA

Para saber qué efectos tuvo el cambio regulatorio, el trabajo de evaluación

numérica se desarrolla en dos etapas. La primera corresponde a la aplicación de un criterio

para la selección de los días que formarán nuestros grupos de control y tratamiento de

manera que éstos sean comparables según ciertas características a definir más adelante. La

segunda etapa consiste en obtener una estimación de las probabilidades para la distribución

del cambio en el precio para cada día seleccionado, luego estimar la esperanza de ese

cambio para cada día y finalmente evaluar la respuesta (sensibilidad) de ese valor esperado

respecto a distintos niveles de volumen (cantidad de contratos) transado.

II.2.1. Determinación de un efecto causal según el origen de los datos

En esta sección haremos una introducción a técnicas basadas en regresión y en el

uso del propensity score para determinar efectos causales.

Es fundamental, para determinar qué procedimiento utilizar para la estimación de

este efecto clasificar los datos disponibles según el origen de los mismos. Según cómo

fueron recolectados (es decir, según qué diseño se aplico para obtener los datos) podemos

clasificarlos en6: de origen experimental, de origen cuasi-experimental, y de origen

observacional. Los datos de origen experimental o cuasi-experimental simplifican en gran

manera la determinación de un efecto causal debido a que el grupo de individuos que

recibió tratamiento (grupo tratado) y el grupo que no recibió tratamiento (grupo de control)

quedan determinados por el procedimiento de asignación al tratamiento. Aquí nos

concentramos en estos dos casos, dejando el tratamiento de los datos observacionales para

la bibliografía.

6 Esta clasificación no es única. Según la disciplina en la que se desarrolle la investigación, la clasificación

puede variar dado que los diseños pueden ser más ricos dependiendo del objeto de estudio. Por ejemplo, en

algunas disciplinas los diseños tipo experimento natural son parte de los diseños cuasi-experimentales. En

otros casos son sinónimos. Aquí no hacemos distinción entre experimento natural y cuasi-experimento.

16

El elemento clave para la evaluación del efecto de un tratamiento es discernir si la

asignación al tratamiento7 fue realmente exógena. De esta manera nos aseguramos que el

impacto sobre la variable de respuesta tiene su origen sólo en la intervención analizada y

no en otros factores que pueden afectar la variable de respuesta. En un contexto

experimental el analista puede controlar por ciertas características observables de los

elementos de la muestra que pueden afectar la variable de respuesta, y de esta manera

aislar el efecto de un cambio exógeno generado por el experimento. La determinación del

efecto causal en este caso se reduce a una comparación de las medias de la variable de

respuesta entre el grupo que recibió tratamiento y el grupo de control, teniendo en cuenta

posibles diferencias entre los individuos que pueden también afectar la variable de

respuesta. Aplicando MCO a la siguiente ecuación,

uDxy '

donde D corresponde a una variable discreta 0-1, denotando observación del grupo de

control y del grupo tratado respectivamente. La variable de respuesta observada,

10)1( DyyDy

donde 0y es la variable de respuesta cuando no se recibe tratamiento e 1y es la variable de

respuesta cuando sí se recibe tratamiento. Aquí representa el efecto del tratamiento

sobre la variable de respuesta.

Los datos de origen cuasi-experimental surgen en contextos en los que una

intervención exógena genera de manera natural los grupos de control y de tratamiento. Los

individuos que participan de cada uno de los grupos fueron asignados de manera aleatoria

(en el sentido de no haber elegido participar o no en el programa) por una intervención

cuyo efecto puede ser cuantificado luego de controlar por las características que pueden

determinar distintas reacciones a la intervención.

En este trabajo se analiza el efecto de una intervención exógena que genera de

manera natural un grupo de control (días antes de la intervención) y un grupo tratado (días

posteriores a la intervención), es así que nuestros datos se generaron en un contexto cuasi-

experimental.

7 de aquí en más tratamiento, intervención y política serán sinónimos.

17

Como mencionamos antes, debemos controlar por las características de los

individuos (días), de esta manera obtenemos grupos de control y de tratamiento

comparables. Para generar estos grupos utilizamos la técnica de matching basada en el

propensity score (probabilidad de recibir tratamiento). El propensity score se define,

)1()( xDPxp

En la estimación de esta probabilidad se usan, en general métodos paramétricos, los

modelos logit o probit son de uso frecuente. Estimada esta probabilidad podemos obtener

una estimación del efecto promedio del tratamiento ATE8,

)(1

)1(

)()( 01

xp

Dy

xp

yDEyyEATE

para hacer operativa la estimación definimos su análogo muestral,

N

i i

ii

i

ii

xp

Dy

xp

Dy

NyyEATE

1

01)(ˆ1

)1(

)(ˆ

1)(

donde )(ˆixp corresponde a la estimación del propensity score. Para detalles sobre la

derivación de estos resultados, véase Wooldridge (1999).

8 Por su sigla en inglés Average Treatment Effect.

18

II.3. EL MODELO

II.3.1. Metodología de estimación y aplicaciones del Propensity Score

Como comentamos en el apartado anterior, existen variadas formas de estimar el

efecto promedio de un tratamiento mediante la probabilidad de recibir tratamiento. Una

estrategia útil cuando el grupo que recibe tratamiento contiene una cantidad de

observaciones diferente a la del grupo no tratado (grupo de control), es aplicar una

correspondencia entre los elementos de ambos grupos. Hay varias posibilidades de hacer

esto dependiendo del tamaño de los grupos en cuestión. En nuestro caso la

correspondencia será de uno a uno. Una vez definida la correspondencia, un estimador del

efecto promedio del tratamiento puede calcularse directamente como el promedio de la

diferencia en la variable de respuesta de cada par de observaciones que arroja la

correspondencia. Aquí aplicaremos el método de la correspondencia para seleccionar las

observaciones que entran en el cálculo de ATE. La fórmula ATE es una suma ponderada

(por el propensity score) de las respuestas de los elementos de la muestra. Este

procedimiento sólo necesita del supuesto de independencia condicional en la media para

ser operativo, supuesto menos restrictivo que el supuesto de independencia condicional9

Para la estimación de la probabilidad condicional de recibir tratamiento utilizamos

un modelo Logit,

'

'

1)1()( x

x

e

exwPxp

Las variables incluidas en el cálculo corresponden al número de transacciones, volatilidad,

e interés abierto.

Teniendo la estimación de la probabilidad condicional para cada ix se realiza la

correspondencia entre la observación del grupo tratado i con la del grupo de control j de tal

manera que el conjunto, para cada i definido como jiji pppxpA min)(

, tenga un

único elemento, es decir, la correspondencia es uno a uno. Previo al cálculo de PS las

9 Véase Wooldrige (1999). Para un tratamiento más actual del tema ATE, véase Angrist y Pischke (2009).

19

observaciones se ordenan aleatoriamente de manera que si ocurriese que más de una

observación cumple esta condición, se tomará la primera de las observaciones que de esta

forma es determinada aleatoriamente y por tanto se elimina la posibilidad de una elección

arbitraria de la misma. Existen otros procedimientos para evitar la correspondencia

múltiple, por ejemplo, se pueden tomar promedios sobre los valores de p definidos sobre

intervalos. Por ejemplo, si p=0.35 se puede tomar un promedio de 0.30<p<0.40 como

correspondencia10

. En nuestro caso nada de esto fue necesario, además los pares que se

corresponden en el sentido antes mencionado son eliminados de manera que al repetir el

procedimiento ya no pueden volver a elegirse. Ciertamente, es atípico tener más de una

coincidencia teniendo en cuenta que casi no hay posibilidades (con regresores continuos

no repetidos) de tener probabilidades con diferencias similares dado que tratamos con un

continuo de valores posibles en el intervalo 0-1.

Por último, definimos nuestro criterio de soporte común. Definir un soporte común

implica restringir el conjunto de observaciones elegibles para la correspondencia.

Mediante la aplicación de un soporte común aseguramos un grado de consistencia

mayor en la agrupación de las observaciones por pares que tienen una probabilidad de

recibir tratamiento similar. Es decir, las probabilidades de recibir tratamiento de las

observaciones del grupo tratado no serán tan diferentes de las del grupo de control. Por

ejemplo, si la observación con D=1 de mayor PS es, digamos, 0.85 y existen

observaciones con D=0 superiores a ese valor, digamos 0.95, entonces esas observaciones

son descartadas y el correspondencia se define sobre el rango PS<=0.85. La idea es

descartar observaciones con PS cercanos a valores extremos, en especial cuando las

observaciones de uno u otro grupo están concentradas en esos valores extremos. Por

supuesto, esto reduce nuestras posibilidades de generar coincidencias (aunque sean muy

malas), por eso es muy útil tener un grupo de control numeroso y bien distribuido con un

grupo tratado reducido en comparación pero también bien distribuido. Nuestra definición

de soporte común responde a la siguiente especificación: descartamos observaciones con

D=0 y p(x) menor que el mínimo para D=1, y descartamos observaciones con D=0

mayores al máximo p(x) para D=1. Es decir, el grupo tratado impone el soporte común.

10

Para una aplicación, véase Dehejia y Wahba (1999)

20

II.3.2. Modelo para cambios en el precio: Probit ordenado

Sean )), ...,P(t), P(tP(t n10 los precios de transacciones observados en tiempos

n, ...,t,tt 10 , se definen las variaciones de precio ))-P(t P(t Z k-kk 1 para transacciones k de 1

a n (tiempo lógico) como múltiplos enteros de un tick.

Definimos *

kZ como una variable aleatoria continua no observable cuya media

condicionada es una función lineal de variables explicativas X, con un término de error t

independiente pero no idénticamente distribuido.

),σ~N()|XE(kkk kkkkX*Z 20 ,0 . tq'

Entenderemos la relación entre la variable continua no observable *

kZ y la variable

discreta del mercado kZ , de modo que kZ se moverá en un valor discreto js comprendido

en el espacio S de kZ , solo después de que *

kZ haya superado ciertas vallas, j , para cada

partición jA del espacio *S de *

kZ , j

m

j AUS 1

*

, con m finito y jiAA ji para .

,1*

212*

2

11*

1

mmkm

k

k

k

AZ, s

...

,AZ, s

,A Z,s

Z

Finalmente, se considerará una más amplia heterocedasticidad, al permitir que 2

k

dependa linealmente de otras variables económicas kW . La dependencia estructural del

proceso observado kZ resultará claramente inducido por aquel de *

kZ y las definiciones de

los jA .

ikjkikjk AZAZPsZsZP *

1

*1

Consecuentemente, si las variables kX y kW son temporalmente independientes, el

proceso observado kZ también lo será. No obstante, a los fines de las inferencias

estadísticas de este trabajo sólo requeriremos que los términos k sean condicionalmente

independientes, con lo que toda la dependencia serial resultará capturada por las variables

21

kX y kW . Luego, la independencia de los términos k no significará que los procesos *

kZ

resulten independientemente distribuidos, en virtud de que no hemos especificado

restricciones sobre la dependencia temporal de las variables kX o kW .

La distribución del cambio en el precio observado kZ , condicionada en las

variables que explican la media kX y la varianza kW es determinada por los límites de la

partición que señalan las vallas y por la distribución del término k . Para una distribución

Gausiana de k , la distribución condicional es:

kkikkkkik WXAXPWXsZP ,, '

msi iX

mi si XX

si iX

msi iWXXP

misi WXXP

si iWXXP

k

km

k

ki

k

ki

k

k

kkkkm

kkikki

kkkk

1

1

1

,

1 ,

1 ,

'1

'1

'

'1

'1

'1

1'

La probabilidad de cualquier precio observado será determinada según dónde se

ubique la esperanza condicional 'kX del precio no observado en relación a las vallas. De

hecho, si uno cambia las vallas apropiadamente, el modelo puede ajustarse a cualquier

distribución multinomial.

Finalmente, dada la especificación ya presentada, la función de verosimilitud es

22

n

k

k

'km

mk

k

'ki

k

'ki

ik

k

'k

k

σ

βXαφ.Ι

σ

βXαφ

σ

βXαφ.Ι

σ

βXαφ.Ι

XZΨ

m

i

11

111

1log

loglog1

2

Siendo ikΙ una función indicadora igual a 1 si la realización kZ es el estado is .

23

III. ANÁLISIS NUMÉRICO

III.1. Nuestra materia prima

En esta sección revisamos el tratamiento de datos transaccionales, describimos la base de

datos que poseemos y las modificaciones que realizamos sobre ella para poder realizar este

trabajo. Asimismo, mostramos algunas características de los esenciales de la serie.

III.1.1. Ultra high frequency data (UHFD)

Para realizar este trabajo utilizamos datos de alta frecuencia (como los definió el

trabajo pionero de Engle (1996)), transacción a transacción.

En los últimos años esta metodología ha sido muy explorada en distintos campos

de estudio ya que resulta una muy buena alternativa para tratar el problema de

deformación temporal. Al modelar la realidad económica, los investigadores determinan

estados estacionarios de la misma que evolucionan en un tiempo lógico, distinto al tiempo

real. Es decir, es como si el investigador decidiera representar la realidad con un reloj

menos sensible, que solo muestra los cambios que, según sus propios criterios de

parsimonia, decide que son relevantes para comprender el fenómeno de estudio. Ahora

bien, cuando se trata de los precios del mercado financiero, creemos que de no utilizar

UHFD, estaríamos perdiendo información de interés para el grado de análisis que nos

hemos establecido como objetivo.

La aplicación de esta nueva metodología sigue al trabajo pionero de José García

Montalvo (2003), realizado sobre los contratos de bonos en España. En este caso hay

diferencias porque se examinará un mercado de futuros de divisas institucionalizado con

contraparte central, con la consiguiente reducción del riesgo que contraen los MM en sus

operaciones.

En el pasado ha sido imposible realizar trabajos de este tipo para el mercado

argentino porque nunca hubo acceso a buenas fuentes de datos. ROFEX ha desarrollado

una nueva tecnología para acceder a los datos transaccionales de su mercado, siendo éste

el primer trabajo académico que suscribe a esa base de datos11

.

11

ROFEX ha brindado toda la información disponible.

24

III.1.2. La Base de datos

La base de datos disponible incluye todas las operaciones realizadas en el Mercado,

tick by tick entre Enero y Junio de 2005.

A los fines de acotar el error de medición que introduciría en la estimación de la

distribución del cambio en el precio el reacomodo a las nuevas condiciones vigentes

inducida por el cambio regulatorio, se decidió no tener en cuenta el mes de Marzo. La

forma de contratación se negoció a principios de marzo y durante el mes consideramos que

hubo costos de aprendizaje por parte de los MM y costos de medición para el mercado por

lo que desechamos totalmente la utilización de los días de dicho mes.

Para cada transacción se cuenta con el mejor bid, el mejor ask, el precio realizado,

la cantidad de contratos, el tiempo en segundos entre la t-ésima operación y la

inmediatamente anterior, según el orden en el que fueron registradas las operaciones.

Para conseguir el mejor bid y el mejor ask correspondiente a cada transacción, se

tomó el bid-ask inmediatamente anterior a la transacción considerada. Este procedimiento

no está exento de dificultades. Es un procedimiento difícil de automatizar, en particular

cuando en un mismo segundo existe más de una operación registrada no siempre al mismo

precio y los precios bid y ask son revisados dentro de un mismo segundo.

Cuando los precios bid o ask de un trade resultaron iguales a 0 y se registraron en

la primera o primeras operaciones, la transacción asociada a esos precios no fue tenida en

cuenta. En otro caso se tomó el bid-ask anterior al no reportado.

III.1.3. Características empíricas de los datos transaccionales

En esta sección vamos a comentar algunas de las características señaladas como

más frecuentes en la literatura del análisis de datos transaccionales. Es importante hacer

este repaso para tener una intuición de los resultados que se pueden esperar al estimar el

probit ordenado, además de abrir la puerta a la aplicación de otros modelos diseñados para

este tipo de datos.

Algunas de las características señaladas, son:

25

Las transacciones se observan a intervalos irregulares. Esta característica es

la que más presión ejerce sobre la necesidad de innovación metodológica

para trabajar con este tipo de datos. A partir de ésta observación se han

desarrollado modelos para explicar los intervalos de tiempo entre

transacciones. Intervalos prolongados involucran arribos de nueva

información a intervalos prolongados también, de manera que estos

modelos pueden ayudar a explicar la distribución intradiaria del cambio en

el precio. Intervalos irregulares entre transacciones hacen poco razonable

aplicar el supuesto de que las observaciones están idénticamente

distribuidas.

Los cambios en el precio se manifiestan en múltiplos de tick. Un tick es

equivalente al cambio mínimo posible en el precio de un activo. En nuestro

caso un tick equivale a una milésima de peso.

Múltiples transacciones dentro de un mismo segundo. El tiempo

transcurrido entre transacción y transacción no es uniforme, además de los

patrones diarios que se repiten día a día (por ejemplo, se observa una

disminución en la frecuencia de transacciones durante la hora de almuerzo

en comparación a las horas de cierre y apertura de operaciones), existe una

alta concentración de trades dentro de un mismo segundo o en segundos

consecutivos.

Para ilustrar estas características utilizamos la serie completa que contiene datos

correspondientes al primer semestre de 2005, exceptuando, como ya dijimos, al mes de

marzo. Sin embargo, el cambio en el precio del cierre a la apertura del día siguiente no es

tomado en cuenta siendo nuestro interés el comportamiento de la distribución intradiaria

de las transacciones. De la tabla Nº1 surgen las siguientes observaciones:

- existe una gran cantidad de transacciones que no reportan cambio en el precio.

- aproximadamente el 13% de las transacciones implican un cambio en el precio de

un tick.

- cambios de más de un tick son relativamente raros, siendo menos de 1.1% la

cantidad de trades con variaciones de 2 ticks o más.

26

La tabla que se ofrece a continuación clasifica los movimientos consecutivos de

precio en tres categorías, a saber: aumento, sin cambio, y disminución denotados con "+",

"-", y "0" respectivamente. Aquí podemos ver cuántos aumentos consecutivos,

disminuciones o permanencia sin cambio encontramos en la serie de precio.

Puntos importantes a notar:

75% (17924/23932) de las transacciones son sin cambios consecutivos de

precio, esto habla no sólo de la poca variabilidad sino de que es una

tendencia que se mantiene de transacción a transacción.

Incrementos o decrementos consecutivos son relativamente raros. Menos

del 1% de los cambios en el precio implica incrementos o decrementos

consecutivos (110/23932 y 87/23932).

Aproximadamente el 10% de los cambios en el precio son incrementos o

decrementos que se mantienen sin cambios en la próxima transacción

(1315/23932 y 1233/23932).

La segunda observación es un claro indicador del efecto rebote entre el precio

bid y el precio ask. Es decir, los precios no suben ni bajan de manera constante sino que

27

tienden a "retornar" después de un aumento o disminución generando una reversión en el

precio.

28

IV. ESPECIFICACIÓN EMPÍRICA

IV.1. De la teoría a la práctica

En esta sección mostramos el proceso de selección de días, la estimación del probit

ordenado y describimos los resultados obtenidos con las estimaciones y test.

IV.1.1. Los días seleccionados para el análisis

Como se mencionamos anteriormente, las variables relevantes para la estimación

del propensity score corresponden al número de transacciones, volatilidad, e interés abierto

para cada día con operaciones. Previo a la estimación, se eliminó la tendencia del interés

abierto. Esta tendencia resultó ser bastante lineal, de modo que su estimación se

operacionalizó mediante una regresión con una constante y la variable tiempo. Debido a la

cantidad de parámetros a estimar con cada serie intradiaria y para evitar que días con

cantidad de trades muy por debajo del promedio sean seleccionados, se impuso la

condición de excluir aquellos días con una cantidad de observaciones menor a 210.

Los gráficos intra-diarios para cada uno de estos días, ubicados al final del anexo,

contienen la correspondencia entre el tiempo, medido en segundos desde de la apertura de

29

la rueda en el eje de ordenadas, y el número de operaciones, medido en el eje de las X.

Estos gráficos contienen toda la información sobre la frecuencia con la que se están

produciendo cambios en las variables consideradas. De hecho, lo que hacen es medir la

deformación del tiempo dado que muestran el número de transacciones acumuladas a cada

momento de la rueda. Cuanto mayor es la pendiente menor es la frecuencia de las

transacciones

IV.1.2. Estimación del probit ordenado

Para estimar los parámetros del probit ordenado, será necesario establecer:

- El número de vallas

- Las variables explicativas de la media condicional

- Las variables explicativas de la varianza condicional

Considerando que la cantidad de vallas a introducir en el modelo no afecta las

propiedades asintóticas de los estimadores, la arbitrariedad de la decisión dependerá del

trade-off especificidad vs. Parsimonia que resulte de mayor interés.

En relación a las variables explicativas, Montalvo (2003) propone las siguientes:

Media condicional:

- dt - Tiempo transcurrido entre dos transacciones.

- L1BAI, L2BAI, L3BAI – Retardos del indicador de transacción iniciada por

comprador o vendedor (BAI).

- L1dp, L2dp, L3dp - Retardos del cambio en el precio (dp).

- L1VBAI, L2VBAI, L3VBAI – Retardos del volumen negociado en

interacción con el tipo de operación, sea a precio comprador o vendedor

(VBAI12

).

La ecuación para la media condicional queda expresada como,

12

Este regresor se define como BAI*ln(Volumen). En Hausmann et al.(1992) se aplica la transformación de

Box-Cox sobre el volumen, el ln es un caso particular de dicha transformación que resultó ser razonable y

nos evitó tener que incluir un coeficiente más en la estimación.

30

1039281

7362514332211

...

...'

kkk

kkkkkkkk

VBAIVBAIVBAI

BAIBAIBAIdpdpdpdtX

Varianza condicional:

- dp - Tiempo transcurrido entre dos transacciones

- L1BA – Retardo del Bid-Ask Spread.

La ecuación para la varianza condicional queda expresada como13

,

221122 kk BAdt

k e14

La especificación es resultado de numerosos ensayos con estas y otras variables

que se consideren relevantes al problema.

13

Aquí nos apartamos de Hausman et al. (1992). De esta manera ganamos en el tiempo de convergencia del

modelo (necesitamos menos iteraciones), evitamos que la varianza se vuelva negativa y, lo más importante,

los coeficientes se tornaron significativos para esta especificación y no para la especificación lineal. 14

El parámetro 2 es normalizado ( 12 ) dado que no está identificado.

31

IV.2. RESULTADOS

IV.2.1. Probit ordenado

Es importante para nuestro propósito detenernos a examinar el resultado del probit

ordenado para toda la serie. Resulta interesante notar la similitud en los resultados entre

esta estimación y la presentada en Hausmann et al (1992). Teniendo en cuenta que

aplicamos este mismo modelo pero para comparaciones entre días, a diferencia de la

aplicación que hace Hausmann, en donde se comparan las estimaciones para las series de

distintos stocks, resulta útil resaltar este punto de coincidencia entre nuestros resultados y

los descriptos por el autor. Obedeciendo a características atípicas que pueden tener ciertos

días y muy especialmente por razones de disponibilidad de observaciones (todo esto

implicará estimaciones pobres en cuando a la significancia de los parámetros en particular,

no así para los parámetros en conjunto), es que nuestro argumento respecto de lo

representativo de nuestros resultados para el modelo aplicado a los días seleccionados se

basará en la congruencia que presenten estos resultados con los obtenidos para toda la

serie. Es por ello que se postula como de suma importancia tener en claro qué nos dicen

los resultados para toda la serie y luego extender esa interpretación a la estimación

resultante de los días seleccionados.

De los resultados presentados en el Anexo (Tabla 3) para toda la serie observamos:

Los coeficientes de cambio en el precio para todos sus lags son negativos y

los primeros dos significativos al 1%. Este resultado es congruente con lo

obtenido en Hausmann. El signo negativo de estos coeficientes implica

tendencia a reversión en el precio. Por ejemplo, tres transacciones

consecutivas con aumento del precio en un tick inducen un efecto negativo

en el cambio en el precio entre t y t-1. Este efecto es igual a la suma de los

tres coeficientes de L1dp, L2dp, y L3dp.

Los coeficientes para los lags de BAI se espera que sean negativos y así lo

son para los dos primeros lags. La intuición es que si BAI en t-1 indica que

la transacción fue a precio ask (L1BAI=1), entonces se espera que por el

efecto rebote del precio bid al precio ask y viceversa la transacción en t sea

32

a precio bid. Esto indicaría que dp<0. Por supuesto, esto también implicaría

que el bid-ask spread se mantiene bastante estable a través del tiempo.

Los coeficientes para los lags de VBAI se espera que sean positivos. La

intuición es que VBAI mide el impacto de la cantidad de contratos de una

transacción sobre el precio. En este caso el coeficiente de L1VBAI indicaría

el impacto de la cantidad de contratos para una transacción en t-1 sobre el

cambio en el precio entre t y t-1, además se incluye el efecto que puede

tener en el precio el hecho de que esa transacción haya sido a precio bid o

ask. Si L1VBAI es positivo y el coeficiente asociado también, implicaría

que una transacción a precio ask por un determinado volumen impactaría

positivamente en el precio (porque había alguien con necesidad de

comprar). Es decir, esta variable mide el impacto en el precio de lo deseoso

que estén las partes por comprar o vender.

En el Anexo se presentan los resultados del mismo modelo aplicado a los días

seleccionados (Tablas 4 y 5).

Puede observarse que los coeficientes raramente son significativos pero este

resultado no debe sorprendernos. La cantidad de observaciones disponibles para cada día

es realmente muy baja para un modelo como este. El número de parámetros y el hecho de

ser un modelo que se estima por máxima verosimilitud15

hacen evidente el inconveniente

que implica obtener estimaciones razonablemente precisas. Sin embargo, el estadístico

Chi2 que mide la significancia global sí es significativo (salvo para 02/02/2005 con P-

value=0.14, y 07/01/2005 con P-value=0.09. El día 13/01/2005 es significativo al 5%

mientras el resto lo es al 1%). Apoyándonos en esta observación y en observaciones sobre

la similitud entre las estimaciones para los días seleccionados y las obtenidas para toda la

serie, podemos afirmar que en general los signos son los esperados.

Asimismo es relevante advertir que:

15

Las propiedades de la estimación por máxima verosimilitud son bien conocidas para muestras grandes. El

método no garantiza buenos resultados en muestras pequeñas.

33

Para los días en los que el coeficiente de L1dp es positivo podemos notar

que alguno de sus lags sí es negativo. Igual es el caso para el coeficiente de

L1BAI.

Para los días en los que el coeficiente de L1VBAI es negativo podemos

notar, sin embargo, que alguno de sus lags sí es positivo. Tenemos un día en

el grupo de control y dos en el grupo tratado.

IV.2.2. Respecto de E(dp) y su signo

Luego de haber obtenido los resultados del probit ordenado para cada uno de los

días seleccionados se procedió a calcular las probabilidades ),( kkik WXsZP . Los

regresores se fijaron en los siguientes valores:

dt: media del día correspondiente.

Rezagos de dp: se evalúan dos secuencias 1/1/1 y 0/0/0.

Rezagos de BAI: se evalúan en la secuencia 1/1/1.

Primer rezago de VBAI: se evalúan distintos niveles de volumen, 10, 50,

100 y 200.

Segundo y tercer rezago de VBAI: se evalúan en la mediana del volumen

del día correspondiente.

Rezago del Bid-Ask Spread: se evalúa en la media del día correspondiente.

Obtenidas las probabilidades se calcularon las esperanzas de dp,

),(...),(),()( 2211 kkmkmkkkkkk WXsZPsWXsZPsWXsZPsdpE

Dónde iscorresponde a los posibles cambios en el precio medido en ticks (para

algunos días -2, -1,0 ,1 ,2 , en otros casos la variación es menor -1, 0, 1).

En el Anexo (Tablas 6, 7, 8 y 9) se muestran los resultados para las esperanzas de

dp. En Hausman se da la intuición de porqué el signo de E(dp) es en general negativo. El

signo estaría reflejando la alta probabilidad de que la próxima transacción sea a precio bid.

La idea es que si las últimas 3 transacciones fueron a precio ask es muy probable que la

34

próxima sea a precio bid por el efecto rebote del precio ask al precio bid. Notemos que

cuando evaluamos la secuencia 0/0/0 hay más días con E(dp) positiva. La idea es que al no

haber variaciones en el precio en las últimas tres transacciones van a tener mayor peso los

coeficientes de VBAI, dando más peso a cambios positivos de precio.

Para terminar, notamos que para ciertos días el efecto de un incremento en el

volumen sobre E(dp) no es aumentar más el precio en t (o sea que E(dp) se acerque a cero,

o que E(dp) sea menos negativa). Estos días tienen un signo contrario al esperado en

L1VBAI, o sea que a mayor valor de L1VBAI la E(dp) disminuye en lugar de aumentar.

IV.2.3. Aplicación del Test t para la diferencia de medias

Este procedimiento consiste en comparar el promedio de E(dp) y ΔE(dp) entre los

días tratados y los días de control, en cada secuencia de precios y niveles de L1VBAI. La

hipótesis nula es que la diferencia de medias es cero, es decir que el tratamiento no

impactó significativamente sobre E(dp) ni ΔE(dp).

No obstante, este no es el procedimiento adecuado para la comparación.

Recordemos que nuestra medida del efecto del tratamiento era la diferencia de medias

ponderada por la probabilidad de recibir tratamiento (propensity score), de manera que

este mismo test debe aplicarse a esas medias ponderadas, en cuyo caso se obtiene:

De este resultado surge que la diferencia de los promedios ponderados no es

significativa (al 1%) en ninguno de los casos para las secuencias de precios y volúmenes

considerados.

Para conocer la dirección del efecto de la intervención (relevante en caso de ser

significativo este efecto) reportamos la estimación del ATE:

35

Esto nos muestra que en promedio el valor esperado del cambio en el precio es

mayor para los días que recibieron tratamiento (el ATE es positivo) que para los días de

control. Debido a que las E(dp) son en general negativas y los promedios (ponderados)

también, resulta que un ATE positivo implica que el promedio de E(dp) está más cerca de

cero para los días que recibieron tratamiento que para los días de control. Sin embargo, en

la secuencia 1/1/1 a mayor volumen menor es la diferencia de los promedios ponderados,

indicando que para transacciones con mayor cantidad de contratos la esperanza del cambio

en el precio es similar en ambos grupos de días. De la Tabla 10 surge que en todos los

casos no se puede rechazar la hipótesis nula, lo que estaría indicando que la regulación

implementada no sólo no afectó el cambio promedio en los precios (para cada secuencia de

precio y niveles de volumen estudiados) sino que la sensibilidad de la esperanza del

cambio en el precio se ha mantenido en los mismos niveles que los obtenidos previo a la

intervención. Esto es, no ha habido una ganancia en términos de liquidez. En promedio el

valor esperado del cambio en el precio antes y después de la regulación se ha mantenido

para cada uno de los niveles de volumen estudiado. Por otro lado las estimaciones

puntuales del ATE en la secuencia de precios 1/1/1 parecen sugerir que en contratos

pequeños la diferencia de medias es mayor, disminuyendo con el incremento en la

cantidad de contratos transados. Esto se podría explicar por el tamaño de las empresas que

realizan actividades de MM. Dado que son empresas chicas, aportan más liquidez en

operaciones cuyo volumen es pequeño y casi no pueden operar en operaciones de gran

tamaño.

36

CONCLUSIONES

Las conclusiones de este estudio resultarán de utilidad para los actuales y futuros

MM, las autoridades regulatorias, ROFEX y otros Mercados latinoamericanos a la hora de

analizar las ventajas de instaurar figuras similares, sus posibles modificaciones y los pasos

a seguir en este camino de continua innovación financiera

Creímos, a partir de nuestro conocimiento del mercado, que la liquidez ha

aumentado desde la introducción del convenio de MM. Nuestra intención fue determinar la

medida cuantitativa de este aumento, y para ello es que prestamos especial atención al

desarrollo de una medida de liquidez que nos permitiera comprender más acabadamente

este fenómeno.

El principal resultado obtenido señala que la liquidez del mercado no ha aumentado

después de la introducción de los MM. Por tanto, si se considera que la principal función

de los MM es aumentar la liquidez del mercado este objetivo no ha sido obtenido según los

resultados de la estimación. Son varios los motivos que explicarían este hallazgo. En

primer lugar podría suceder que en tres meses los MM no hayan obtenido la experiencia

suficiente en su labor. Para contrastar esta hipótesis sería necesario contar con datos para

fechas posteriores a las utilizadas en este trabajo. Asimismo, dada la escasa variabilidad de

los datos analizados se podría argumentar que el mercado ya era lo suficientemente líquido

antes de la introducción de los MM.

En el análisis del mercado podríamos ir incluso más allá. Levine y Zerbos (1998)

encuentran que la liquidez está positiva y fuertemente correlacionada con el crecimiento

actual y futuro de las economías. Pero esta última relación excede el alcance de este

trabajo.

37

BIBLIOGRAFÍA

Abreu, D., and Brunnermeier, M.K. (2002). Synchronization Risk and Delayed Arbitrage, Journal of

Financial Economics, 66(2-3), 341-360.

Amihud, Y. and Mendelson, H. (1989). The Efects of Beta, Bid-Ask Spread, Residual Risk and Size on

Stock Returns, Journal of Finance, 44(2), 479-486.

Angrist, J. D. and Pischke, J. S. (2008). Mostly Harmless Econometrics. An Empiricist's Companion.

Princeton University Press.

Attari, M., Mello, A. S. and Ruckes, M. E. (2005). Arbitraging Arbitrageurs, Journal of Finance, 60, 2471-

2511.

Baker, M. and Stein, J. (2002). Market Liquidity as a Sentiment Indicator. Retrieved September 21, 2008,

from EconLit database.

Bernardo, A. E. and Welch, I. (2004). Liquidity and Financial Markets Run, Quarterly Journal of Economics,

119(1), 135-158.

Brennan, M., & Subrahmanyam, A. (1996). Market Microstructure and Asset Pricing: On the Compensation

for Illiquidity in Stock Returns. Journal of Financial Economics, 41(3), 441-464. Retrieved October 17,

2008, from EconLit database.

Brennan, M., Chordia, T., & Subrahmanyam, A. (1998). Alternative Factor Specifications, Security

Characteristics, and the Cross-Section of Expected Stock Returns. Journal of Financial Economics,

49(3), 345-373. Retrieved October 17, 2008, from EconLit database.

Brunnermeier, M. K. and Pedersen, L. H. (2005) Predatory Trading, Journal of Finance, 60(4), 1825-1863.

Brunnermeier, M., & Pedersen, L. (2007). Market Liquidity and Funding Liquidity. Retrieved October 16,

2008, from EconLit database.

Coase, R H. (1993) The nature of the firm: Origin. In The nature of the firm: Origins, evolution, and

development, edited by O. E. Williamson and S. G. Winter. New York: Oxford University Press.

Comerton-Forde, C., Hendershott, T. and Jones, C. (2007). Market Maker Revenues and Stock Market

Liquidity.

Crockett, A. (2007). Market Liquidity and Financial Stability (Financial Stability Review – Special issue on

liquidity, No. 11, Banque de France, 2008).

Dapena, J. P. (2007). Rol del Mercado de Capitales en el Crecimiento de la Economía: Literatura y

Evidencia para Argentina.

DeLong, J. B., Shleifer, A., Summers, L. H. and Waldmann, R. J. (1990). Noise Trader Risk in Financial

Markets, Journal of Political Economy, 98(4), 703-738.

Economides, N. (1994). How to Enhance Market Liquidity (Conference on Global Equity Markets:

Technological, Competitive and Regulatory Challenges, 1993)

Eisfeldt, A. (2004). Endogenous Liquidity in Asset Markets, Journal of Finance, 59(1), 1-30.

38

Engle, R. (1996): The econometrics of ultra high frequency data, NBER Working Paper 5816.

Fanelli, J. M. (2005). Domestic Financial Architecture, Macro Volatility and Institutions: The Argentine

Case, Centro de Estudios de Estado y Sociedad.

Glosten, L. R. and Milgrom, P. R. (1985). Bid, Ask and Transaction Prices in a Specialist Market with

Heterogeneously Informed Traders, Journal of Financial Economics, 14, 71-100.

Grossman, S. J. and Miller, M. H. (1988). Liquidity and Market Structure, Journal of Finance, 43(3), 617-

633.

Hausman, J., Lo, A. and Craig MacKinlay, A. (1991). An Ordered Probit Analysis of Transaction Stock

Prices. Working Paper No. 3888, National Bureau of Economic Research

Ho, T. S. Y. and Stoll, H. R. (1981). Optimal Dealer Pricing Under Transactions and Return Uncertainty,

Journal of Financial Economics, 9, 47-73.

----- (1983). The Dynamics of Dealer Markets under Competition, Journal of Finance, 38(4), 1053-1074.

Instefjord, N. (1999). A Simple Model of Market Liquidity. Economics Letters, 64(3), 329-337. Retrieved

September 21, 2008, from EconLit database.

Jensen, M.C.; St Meckling, W.H. (1976). Theory of the firm: Managerial behavior, agency costs and

ownership structure. Journal of Financial Economics. Vol.3.

Kyle, A. S. (1985). Continuous Auctions and Insider Trading, Econometrica, 53, 1315-1335.

Levine, R. and Zervos, S. (1998). Stock Markets, Banks and Economic Growth. The American Economic

Review, Vol. 88, No. 3 (Jun., 1998), pp. 537-558. Stable URL: http://www.jstor.org/stable/116848

Marcus, J. Origen y performance del mercado de futuros de divisas de Rofex. Un análisis institucional.

Lecturas 9. 1ra Edición. Bolsa de Comercio de Rosario.

Morris, S. and Shin, H. (2004). Liquidity Black Holes, Review of Finance, 8(1), 1-18.

Merton, R. and Zvi, B. (1995). A conceptual framework for analyzing the financial environment. In: “The

Global financial system: a functional perspective”, chapter 1, pages 3-32. Harvard Business School

Books, 1995.

Merton, R. (1995). A functional perspective of financial intermediation. Financial Management, Vol. 24, No.

2, pages 23-41.

Montalvo, J. (1998). Liquidez y Market Makers en el Mercado de Futuros: Un Análisis con Datos de Muy

Alta Frecuencia. Instituto Valenciano de Investigaciones Económicas.

Polimenis, V. (2005). A Realistic Model of Market Liquidity and Depth. Journal of Futures Markets, 25(5),

443-464. Retrieved September 21, 2008, from EconLit database.

Porter, R. (2003). Measuring Market Liquidity.

Rosenbaum, P. and Rubin, D. (1985). Constructing a Control Group Using Multivariate Matched Sampling

Methods That Incorporate the Propensity Score. The American Statistician, Vol. 39, No. 1 (Feb., 1985),

pp. 33-38. Stable URL: http://www.jstor.org/stable/2683903

39

Rubin, D. and Thomas, N. (1992). Characterizing the Effect of Matching Using Linear Propensity Score

Methods with Normal Distributions. Biometrika, Vol. 79, No. 4, pp. 797-809. Stable URL:

http://www.jstor.org/stable/2337235

Shleifer, A. and Vishny, R. W. (1992). Liquidation Values and Debt Capacity: A Market Equilibrium

Approach, Journal of Finance, 47(4), 1343-1366.

---- (1997). The Limits of Arbitrage, Journal of Finance, 52(1), 35-55.

Stoll, H. R. (1978). The Supply of Dealer Services in Securities Markets, Journal of Finance, 33(4), 1133-

1151.

Venkataman, K and Waisburd, A (2007). The value of a designated Market Maker, Journal of financial and

quantitative analysis. Vol 42. No 3, pp735-758

Warsh, K. (2007). Market Liquidity: Definitions and Implications. Economic and Financial Review, 14(2),

63-74. Retrieved September 21, 2008, from EconLit database.

Weill, P.-O. (2007). Leaning Against the Wind, Review of Economic Studies (forthcoming).

Williamson, Oliver. (1999) “Las instituciones económicas del capitalismo” Primera edición en español.

Fondo de Cultura Económica. México

Wooldridge, J.M. (1999), “Econometric Analysis if Cross Section and Panel Data”, The MIT Press.

40

ANEXO

47

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

29/06/200550

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

01/02/2005

48

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

01/06/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200Transacción

02/02/2005

49

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 100 200 300Transacción

03/05/200550

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


04/01/2005

50

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

04/02/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


05/01/2005

51

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


05/04/2005

0

20

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

05/05/2005

52

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


06/04/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

07/01/2005

53

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

09/05/2005

0

50

00

10

000

15

000

20

000

Tie

mp

o e

n s

egu

ndos


10/05/2005

54

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


11/04/2005

0

50

00

10

000

15

000

20

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

12/01/2005

55

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


13/01/200550

00

10

000

15

000

20

000

Tie

mp

o e

n s

egu

ndos


14/02/2005

56

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

14/04/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


14/06/2005

57

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


15/02/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


16/02/2005

58

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


16/06/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

17/06/2005

59

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

18/05/2005

0

50

00

10

000

15

000

20

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

20/01/2005

60

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

21/01/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos

0 50 100 150 200 250Transacción

21/06/2005

61

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


23/06/2005

0

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


24/01/2005

62

50

00

10

000

15

000

20

000

25

000

Tie

mp

o e

n s

egu

ndos


25/01/2005

0

50

00

10

000

15

000

20

000

Tie

mp

o e

n s

egu

ndos

0 100 200 300 400Transacción

26/01/2005

Liquidez en el mercado de futuros argentinos : un...

Documents

Transcript of Liquidez en el mercado de futuros argentinos : un...